首先，我们思考一个问题，为什么 qwen2 基本上是当下最受欢迎的开源模型？说实话，相比于 deepseek、llama、minicpm 这些诚意满满的技术报告，qwen2 的技术报告稍显一些“小家子气”，并没有提及到关键的技术细节。然而，qwen2 提供给开源社区的“全家桶”套餐，又是多长的技术报告也比不上的。对 llm 的研究者来说， 用相同 tokenizer，相同的 7T pretrain_data 得到的“一簇小 llm”，其研究价值远远超过 Qwen2-72B 本身！
知乎:
接下来，我们带着两个基本概念进入正文：
同源小模型是大模型的实验场
scaling law 告诉我们：小模型的性能表现能用来预测大模型的性能表现。这也就是说，大部分情况下，我们是可以通过在同源小模型上做实验，去预测大模型的效果的。
在 pretrain / post_pretrain 阶段有很多需要做实验才能知道答案的问题。怎么样的数据配比最合理，课程学习中哪种学习顺序效果最好，数据的质量是否过关，数据的去重程度是否过关，先训4k、再扩到 32k 和直接训 32k 的效果差异，post_pretrain 的时候怎样调整学习率和数据分布来防止模型断崖式的能力遗忘？……
直接启动大模型的成本实在是在太高昂了，可能训练两三周，loss 曲线才会表现出一点点差异。但我们完全可以在小模型上大胆的训，每天训 100B token，两天就能出一版实验结果。观察 tensorbord 的 loss 曲线，刷 benchmark 打榜，或是做sft看效果，总之小模型可以帮助我们快速地敲定 pretrain 阶段使用的数据配置。
在 alignment 阶段，我们也可以去借助小模型和 scaling law 来指导工作。
我要强化模型的某个能力，准备了 N 条训练数据，能让模型达到多大的提升呢？可以看看这份数据在小模型上能有大提升，绘制一条曲线，去预估大模型的性能表现。说的再通俗一点，100B token 能让 0.5B 模型下降 0.2 loss，能让 72B 模型下降 0.1 loss， alignment 数据能让 0.5B 模型提高 x% 的 task 能力，那么大概率这份数据也只能让 72B 模型提升 0.5x % 的 task 能力。
但其实，在 alignment 阶段，小模型的实验指导意义并不是特别强，毕竟小模型的最大优势在于训得快，做实验快。由于 alignment 的数据量不大，我们往往可以直接对目标大模型进行训练来验证结果。这里的指导意义，往往是在我们需要大量数据去强化模型某个能力时才显得有意义，比如代码强化、创作能力增强。
在这里，额外需要强调两个点：
大模型是同源小模型的良师
首先，大模型的效果就是同源小模型不可达到的 ceiling，这点毋庸置疑。（实际工作中，知道模型效果的上限，是一件非常有意义的事情）。
除此之外，大模型可以在训练中给到同源小模型极大的帮助。
模型蒸馏
“distill”是 BERT 时代非常火的一个技术方案，现在却提及的不太多了，归根到底就是蒸馏对“同源 tokenizer”的要求太硬了。不过同源小模型没有这个顾虑，蒸馏技术就像是为同源小模型的效果强化量身定制的技术方案一样。
先澄清一个概念，目前的大部分论文都把“利用 GPT4 造数据，喂给小模型去训练“叫做蒸馏，这种叫法也没错，不过更准确的叫法应该是”知识蒸馏“：让小模型去学习大模型的知识能力。而传统的“模型蒸馏”，指的是我们不再让模型学习 hard-label，而是 soft-label：
不管从哪个角度考虑，似乎 soft_label 都是蕴含更多信息量可学习的。因此，利用大模型去“模型蒸馏”小模型，很有可能能得到一个能力远高于同等 size 的小模型，Google 的 Gemma 小模型 就应用了这项技术方案。
（模型蒸馏之所以在 llm 方向做的少，其实还是因为得不偿失，其对算力和存储的需求较大，与模型的效果提升不成正比。毕竟正常训练学的是 seq_len 个 one_hot label，蒸馏学的是 seq_len * vocab_size 的 logits，一个比较现实的方案是做 clip，只取最大的 N 个 token logits 标签进行学习，其他 token 的概率依然视为 0）
reward_model
用大模型来充当小模型的 reward_model，目前是一个很流行的做法，而用同源大模型去做 reward_model 则更是一个锦上添花的方案。
与蒸馏不同，蒸馏看中的是两个模型“tokenizer 同源”，reward_model 看中的则是两个模型“pretrain 数据同源”。也就是说，我们的 reward_model 和 policy_model 具有同等的知识量，两个模型的学习成绩虽然不一样，但它们上过的的课程却是一样的。reward_model 会的知识，就是 policy_model 学过的知识：“我学过并且我掌握了，你学过但你没掌握，所以我给你打低分就是合理的。”
虽然在实际工作中，一个同源 reward_model 可能没有 GPT4 这种“天才 reward_model ”带来的效果更好。但其往往能给出更公允的打分，进而避免过多的幻觉产生。这也是 alignment 的一大痛点，模型到底是训过拟合了才答错这个知识，还是压根就没学过这个知识 —— 交给同源大模型来判断。
大模型背后的无数小模型
OK，同源模型的意义我们就谈到这里，后面我们开始谈真正的“小”模型！
一个优秀的大模型，无论是在训练阶段，还是线上部署阶段，其背后默默付出的小模型都数不胜数。
数据质量分类器：llama3 和 qwen2 都提到了，他们的 pretrain 训练数据是有得分的，然后通过阈值来找出最高质量的训练数据，开源 pretrain 数据集 fineweb 也提到了他们给数据打分的工作。Good>数据 domain 分类器：垂直领域模型的 post_pretrain 工作，往往需要非常精准的数据配比，domain 数据的数据质量也需要非常优质。这也就是说，我们需要一个分类器，去提取海量数据中的 domain 数据，这个分类器最好还能把低质量的 domain 数据也视为非 domain 数据，通常承担这个工作的模型也是 BERT 家族。
线上模型的分类器：众所周知，RAG 模块已经是 llm 的标配，我们总不能让模型自己判断该不该做检索吧？虽然不是不行，但是额外生成“是否RAG”这些 token 会降低系统的响应速度，并且可能降低模型的通用能力（模型学的越多，忘的也越多）。因此，线上模型往往都是前置挂一个小模型，来判别是否需要 RAG，同理也需要判别是否触发 safety，是否触发工具链等。
RAG 模型：这个模型更是重量级，也就是咱们传统的信息检索模型，如何从海量 docs 里面选出最相关的 doc。BGE是这个工作较为常用的模型。
数据生产模型：
这里，我再分享一些个人使用小模型时的 trick：
学会变通，生成模型也可以当判别模型使用。简单来说，如果我们懒得去找一份 BERT 代码去训一个分类器，我们也可以直接训一个 Qwen2-0.5B，让它只会输出 0 和 1，当我们的模型完全过拟合到 0 和 1 的时候，那么所有 token 中便只有 0 和 1 有概率，其他 token 的概率几乎为零。此时，我们用 1 所对应的 token_probability，不就是分类器的打分吗？当然，更优雅的做法是把 pretrain_model 的 lm_head 替换成 reward_model 的 lm_head。
另外，
一个优秀的大模型，无论是在训练阶段，还是线上部署阶段，其背后默默付出的小模型都数不胜数。
。这句话怎么说呢，是我在训 domain 分类器的时候，发现 Qwen2-1.5B 的准确率和召回率都不如 Qwen2-0.5B 高。在一番讨论和实验分析之后，我认可了大佬同事的观点：
模型越大，其学习能力越强，但也意味着其更容易过拟合。
传统机器学习模型做的事情都是特征抽取，去从输入的特征中提取出看不到的特征，像 xgboost 这种还会计算每个特征的重要程度。但由于 llm 的参数量足够大，再加上 decoder_only 的结构，它真的可以做到记住所有的输入特征（decoder_only 是一个纯信息检索结构，它不压缩任何 token 信息，和 BERT 的 CLS 位压缩信息完全是两种做法）。
因此，
较大的模型虽然上限更高，但其所依赖的数据质量也更高
，如果你的训练数据是有失偏颇的，分布不均衡的，它完全可以记住这些数据的 pattern，而不是从这些 pattern 中抽取共同特征。我的 0.5B 模型效果好于 1.5B 模型大概率就是这种情况：我使用了 4 个数据源作为训练集，但测试集来自于 10 个数据源。
写在最后
诚然，大模型的出现，解决了困扰nlp多年的指代消解、多轮理解、对话人设等瓶颈，但小模型的信息压缩、特征抽取等依然是非常有意义的。我们在工作中，还是应该多考虑一下能不能用小模型来解决问题，找找我们的老朋友 BERT，而不是二话不说就打开 GPT4 写 prompt。
本文转载自，作者：